基于粒子滤波和在线随机森林分类的目标跟踪

摘要：

针对粒子滤波跟踪过程中不精确的状态模型或观测模型会降低跟踪精度的问题,提出一种基于粒子滤波与在线随机森林分类的目标跟踪算法框架,通过在线样本学习,随机森林中的样本集可以准确地近似目标外观的概率分布;在粒子滤波跟踪中,采用随机森林分类结果及区域直方图相似度来估计粒子相似度,从而提高了观测模型的精度.当出现跟踪漂移时,通过随机森林检测目标来重新初始化粒子滤波器,可以防止由于误差积累而造成的跟踪失败.采用vc 6.0+ opencv实现了本算法,并设计两类试验分别来验证算法的跟踪精度和抗漂移能力.结果表明,该算法跟踪正确率比粒子滤波提高23％,比随机森林提高16％,因此可以防止无规则运动等因素造成的跟踪漂移,实现了长序列可靠跟踪.

关键词：粒子滤波、随机森林、在线学习、运动跟踪、观测模型

所属期刊栏目：35

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目61100139,61040009

在线出版日期：2016-09-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：207-213